HTML形式のファイルの利用法について　Now under construction! (1998.8.27)
  1. HTML形式とは
  2. HTML形式のファイルの種類
  3. HTML形式のファイルの活用方法
  4. HTML形式の変換方法

■ HTML形式とは

　HTML形式のファイルとは、事実上ホームページ用のファイルと考えてよいものですが、要するにHTMLという言語形式によるファイルのことです。HTMLとは、Ｈyper Ｔext Ｍarkup Ｌanguage の略であり、プレーンテキストに ”< >”で囲まれたタグと呼ばれる記号を埋め込んで、レイアウト情報（見出しや本文、段落）、文字の大きさやフォント種類、表組などの文書の構造や体裁を表すものです。他の文書ファイルや画像ファイルへの関連づけ（リンク）も表すことが出来るので、単なるテキストファイル以上の表現力をもっています。そのため、他のSGMLなどと併せて、ハイパーテキスト文書と呼ばれることもあります。

　先述のように、HTML形式のファイルにはタグと呼ばれる記号が埋め込まれていますが、その代表的なものは以下の通りです。

代表的なタグ
タグ機能
<BR>改行
<P>段落がえ
<CENTER>〜</CENTER>センタリング
<Hn>〜</Hn>(nは1〜7)見出し（nは文字の大きさを指定する）
<HR>横線

これらのタグは実際に画面に表示されることはなく、ワープロの文字修飾などの機能を果たすものです。その意味を解釈して表示するソフトが、Netscape Navigator や Internet Explorer などのWebブラウザです。
　なお、HTTPとは、Ｈyper Ｔext Ｔransport Ｐrotocol の略で、HTML形式の文書をやりとりするためのプロトコル（通信方法の約束事）のことです。

画面表示HTMLファイル

サンプル

これは見本です
見出しやセンタリング、横線など、
HTML文書ではこのように表示することができます。 
<HTML> ←これはHTML文書であることを示すタグ
<BODY> ←これはHTML文書の本文であることを示すタグ
<H3>サンプル</H3>

<CENTER>これは見本です</CENTER>
<HR>
見出しやセンタリング、横線など、<BR>
HTML文書ではこのように表示することができます。
</BODY> ←これはHTML文書の本文の終わりであることを示すタグ
</HTML> ←これはHTML文書の終わりであることを示すタグ

■ HTML形式のファイルの種類

　HTML形式といっても千差万別で、使われているタグもさまざまですから、分類することにさほどの意味はないとは思います。しかし、電子化テキストとしての利用を考えると、それをプレーンテキストに変換することが一つの目安になります。そこで、プレーンテキスト化の観点から分類すると、大雑把にいえばだいたい次の３種類があると思われます。
  1. プレーンテキストをそのままHTML形式化したもの
    テキストファイルに、HTML形式のファイルであることを示す必要最小限のタグを加えたもの。リンクや表組みなどがないもの。
  2. プレーンテキストを基本に、リンクやリストなどのタグを加えたもの
    若干の表組を含むこともあります。リンクは、たいていの場合注釈や索引等へのものが多いようです。
  3. 表組を基本とするもの
    データベース的な使い方を基本とするものに多いようです。私のページでいえば「全国方言地図の項目対照表」の類です。

■ HTML形式のファイルの活用方法

　HTML形式のファイルの活用方法の第一は、そのままWebブラウザに読み込ませて表示する方法です。特に、リンクを多用して注釈や索引等を自在に参照できるようにしたものについては、ほとんどこれが最良の方法といえます（HTML文書をその体裁のまま読み込めるワープロソフトもありますが、原理的には同じことです）。また、画像ファイルとの関連を活かしたものも同様です。つまり、HTML形式の特徴をそのまま活かす場合には、そのまま利用するのがよいということです。当たり前といえば当たり前ですが。上記の分類では、B.が該当します。この方法でも、ブラウザ付属の機能を用いることによって、単語の検索なども可能です。

　これに対し、HTML形式を変換してプレーンテキストにしてから活用するという方法もあります。プレーンテキストになれば、さまざまな検索方法やデータの加工が可能になり、活用の範囲が広がります。しかし、元のHTML形式で関連づけられていた画像や他のファイルとの関係が絶たれ、基本的には別のファイルとなります（関係の表示やエディタ等の機能による関連づけは可能）。
　HTML文書をプレーンテキストに変換するには、下に示すような専用のツールを利用する方法と、ひとつひとつ手作業でタグを削除する方法とがあります。
　なお、AWKやSEDなどのテキスト加工用のツールの置換関数を使ってタグを除去する場合には、最大のマッチの原則により、うまく正規表現を利用しないと必要な部分も削除してしまう恐れがあります（Perl Ver.5からは最小マッチが可能になりましたので、これを利用する方法もあります）。

■ HTML形式の変換方法

　HTML形式のファイルから、プレーンテキストに変換するためには、基本的にはHTML形式特有のタグを削除すればいいことになります。タグの数や種類が少ないもの（上記種類のA.の類）でしたら、エディタ等でひとつひとつ削除することが可能です。しかし、タグを大量に埋め込んだものや、表組みになっているものなどの場合には、やはりかなりの手間がかかってしまいます。もう少し簡便にHTML形式のファイルを通常のテキストに変換できないかという思いを抱く人は少なくありません。そんな人たちのために、専用のソフトがいくつか公開されています。
　市販の専用ソフトに関しては、寡聞にして知りませんが、一太郎 や Microsoft Word では、いったんHTML形式のファイルとして読み込み、それをテキストファイルとして保存すれば（あるいは、一旦ワープロ文書ファイルとして保存した後にテキストファイルとして保存すれば）、同様のことは可能かと思います（ MS-Word for Windows95 では アドインツールの Internet Assistant の組み込みが、MS-Word Ver.6 ではWORDHTMLが必要）。
　また、各種エディタ（秀丸エディタ、ＱＸエディタ等）のマクロ機能を利用した方法もあります。

HTML形式からプレーンテキストに変換するソフト（多少情報が古いものもあるかもしれません）

○ HTMLタグ削除・置換ツール DeHTML for Win32　- Ver.1.21 (98.5.7)
作者:
浜口 崇氏
OS等:
Windows95/NT
登録:
http://www2d.biglobe.ne.jp/~htakashi/indexj.html
Niftyserve FWINAL-LIB14 #490
備考:
シェアウェア(\300)、16bit版あり。

○ HT95　- Ver.1.10 (98.4.10)
作者:
須釜 俊一氏
OS等:
Windows95
登録:
http://www.cs.rim.or.jp/~t_sugama/
備考:
シェアウェア(\500)

○ HTML→テキスト変換 HyperChange32　- Ver.1.01
作者:
古原 伸介氏
OS等:
Windows95
登録:
Niftyserve FWINAL-LIB14 #131
備考:
シェアウェア(\2,000)、16bit版あり。

○ HTMLファイル -> テキスト変換ソフト HtoX32.EXE - Ver.1.22
作者:
松尾 登志也氏
OS等:
Windows95/NT4.0
登録:
http://member.nifty.ne.jp/t-matsuo/

○ HTMLタグ削除置換ツール DeHTML for DOS　- Ver.1.10
作者:
浜口 崇氏
OS等:
DOS/V
登録:
Niftyserve FGALNET-LIB6 #144
備考:
ドネーションウェア（※ドネーションウェアとは、寄付を募るものです。）

○ HT　- Ver.1.00
作者:
須釜 俊一氏
OS等:
DOS/V
登録:
http://www.cs.rim.or.jp/~t_sugama/

○ UnTag　- Ver.1.20
作者:
OS等:
DOS/V
登録:
Niftyserve FGALNET-LIB6 #144

○ TAG Remover　- Ver.1.0J
作者:
OS等:
Macintosh
登録:
http://www.bekkoame.or.jp/~hasep/

○ HTML to TEXT（秀丸エディタ用マクロ）- Ver.1.07
作者:
杉山 勝氏
OS等:
秀丸エディタが動作する環境（Windows、古いバージョンではエラーが出るとのこと）
※私が試した範囲では、16bit版のVer.1.48では動作しました。
登録:
Niftyserve FWINAL-LIB19 #
備考:

○ HTML→TEXT変換（ＱＸエディタ用マクロ）- Ver.0.76
作者:
須藤 幸一氏
OS等:
ＱＸエディタ Ver.5.0以降 及び マクロVer.5.0以降が動作する環境（Windows95/NT）
登録:
Niftyserve FWINAL-LIB19 #1274
備考:

Back #HOMEホームページへ戻る